Decolonizing Linguistic Policies in Automated Speech Recognition: A Framework for Cross-Culturally Competent Speech AI
本文认为，低资源及原住民语言在自动语音识别方面的失败是殖民语言政策的表现，并提出了一个包含“三重伤害”分类法和参与式治理模型的去殖民化框架，旨在实现具有跨文化能力的语音人工智能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正走进一座巨大的、充满未来感的图书馆，那里的书不仅仅是静静地躺在书架上，它们还会对你说话。这就是**自动语音识别（ASR）**的世界——这项技术让你的手机、智能音箱或电脑能够理解你在说什么。但问题在于：长期以来，这项技术就像一位只懂一种特定英语方言的图书管理员，如果你说话带有口音、使用俚语或在不同语言之间切换，它就会变得非常困惑。
要理解为什么会发生这种情况，我们需要了解几个核心概念。首先，把**语言资本（linguistic capital）想象成一种货币。在现实世界中，某些语言或口音被视为“富有”且有价值的（比如标准美式英语），而另一些则被视为“贫穷”或不那么重要的。其次，是种族语言意识形态（raciolinguistic ideology）**的概念，这基本上是一种根据一个人的声音而非其实际表达的内容来评判其智力或可信度的习惯。最后，**去殖民化计算（decolonial computing）**要求我们审视技术是如何往往复制旧有的、不公平的权力结构——例如殖民主义——即一个群体的说话方式被强加为“正确”的方式，而其他所有人则被告知必须改变以适应这种方式。当我们把这些想法结合在一起时，我们会发现，当计算机无法理解说话者时，这不仅仅是一个故障；它是一个政策决策，它在说：“你的声音没有别人的声音那么重要。”
这篇由来自美国和加拿大大学的研究团队撰写的论文指出，这些失败并非偶然的错误（bugs）。相反，它们是内置于软件中的**语言政策（linguistic policies）**的结果。作者认为，这些系统的设计、测试和使用方式就像是一套无形的规则，决定了哪些声音对机器来说是“可读的”，而哪些声音则会被忽视。他们建议，我们不应再将这些错误视为简单的数学问题，而应将其视为伤害真实人类的社会问题。
研究人员引入了一种看待这些失败的新方法，称为 3M 分类法：误识（Misrecognition）、失调（Misalignment）和不信任（Mistrust）。
- 误识是显而易见的问题：计算机把你说出的“cat”听成了“bat”，或者它干脆放弃并说“我不理解”。
- 失调则更为隐蔽。计算机可能识别出了正确的词汇，但却误解了其中的含义。例如，如果你使用了一个礼貌用语或地方习语，计算机可能会字面地翻译这些词，却忽略了你想要表达的尊重或幽默感，从而让你听起来既粗鲁又困惑。
- 不信任是你意识到系统并非为你而设计时产生的感觉。如果你不得不重复五遍，或者觉得设备在监视你，你就会不再信任它。这不仅仅是用户缺乏耐心，而是对一个不断令你失望的系统的理性反应。
该论文指出，目前测试这些系统的方式是存在缺陷的。大多数公司只使用一个叫做**词错率（WER）**的分数，它统计有多少个单词是错误的。但作者认为，这就像是仅根据拼写来给诗歌评分一样；它忽略了节奏、情感和文化背景。他们指出，对于具有声调（即声音的高低变化会改变词义）或有点击音（click sounds）的语言，简单的单词计数是毫无意义的。计算机可能得到了正确的“词”，但改变了声调，从而将一句赞美变成了侮辱。
为了解决这个问题，团队提出了一个参与式框架（Participatory Framework）。他们认为，不应该由实验室里的工程师来决定什么是“正确”的语音，而应该让那些实际使用这些语言的人成为共同设计者。想象一下，如果使用特定方言的社区可以参与编写测试题目、决定什么算作错误，甚至可以明确表示：“实际上，出于隐私原因，我们并不希望这台计算机监听我们。”论文概述了一个四步循环：
- 参与式审计（Participatory Auditing）： 让社区测试系统并找出 3M 错误。
- 社区协同设计（Community Co-Design）： 让社区协助制定系统应如何表现的规则。
- 公平部署（Equitable Deployment）： 确保系统的使用方式对特定群体而言是安全且公平的。
- 反馈整合（Feedback Integration）： 创建一种让用户报告问题并迫使公司去修复问题，而不是忽视问题的机制。
作者谨慎地表示，他们并不是在展示一个能解决一切问题的神奇方案或新的计算机芯片。他们并不声称我们已经解决了问题。相反，他们提供的是一个框架和一个清单，用于指导如何开始着手解决。他们认为，除非我们改变谁有权做决策以及如何衡量成功，否则这些系统将继续强化旧有的不平等。他们主张，真正的文化胜任力意味着知道何时不该去倾听，尊重某些社区可能希望保持声音隐私的需求，并理解“低资源”语言并非天生贫乏，而是由历史造成的。
简而言之，这篇论文是一份行动号召。它告诉我们，如果我们希望语音人工智能能真正造福所有人，我们就必须停止将语言仅仅视为可以处理的数据，而要将其视为一种属于其使用者的、活生生的文化事物。它表明，前进的道路不仅在于更好的算法，更在于技术创造者与他们希望服务的社区之间建立更好的关系。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。